Машинное обучение моделированию интраоперационных гемодинамических предикторов послеоперационных исходов

Краткое изложение

Введение: По оценкам Всемирной организации здравоохранения, ежегодно во всем мире выполняется 270–360 миллионов операций. Смерть и осложнения после операции являются большой проблемой. В Канаде из каждых 1000 крупных операций 16 пациентов умирают в больнице после операции. В США на каждые 1000 операций 67 пациентов неожиданно нуждаются в реанимации в отделении интенсивной терапии. В условиях старения населения и ограниченных ресурсов стратегии улучшения здоровья после операции становятся все более важными.

Жизненно важные признаки, такие как кровяное давление и частота сердечных сокращений, показывают, как работает организм. Жизненно важные показатели изменяются во время операции из-за факторов пациента, хирургического вмешательства и анестезии. Анестезиологи могут изменить жизненные показатели с помощью лекарств. Тем не менее, медицинские работники только начинают понимать, какие и какие показатели жизнедеятельности под анестезией связаны с улучшением здоровья. Машинное обучение — это инструмент, который может предоставить новые способы понимания данных. Обладая лучшим пониманием, медицинские работники могут работать над улучшением результатов после операции.

Цель: В этом исследовании будут проанализированы жизненно важные показатели во время операций на предмет их связи со смертью, осложнениями (сердце, легкие, почки, мозг, инфекция), госпитализацией в отделение интенсивной терапии, продолжительностью пребывания в больнице и повторной госпитализацией. Это исследование определит, какие и какие уровни показателей жизнедеятельности могут быть вредными. Исследователи предсказывают, что артериальное давление, частота сердечных сокращений, уровень кислорода, уровень углекислого газа и потребность в лекарствах для изменения артериального давления будут взаимодействовать, чтобы быть связанными со смертью после операции.

Методы: после получения одобрения Совета по этике исследований исследователи проанализируют данные всех пациентов в возрасте не моложе 45 лет, перенесших операцию (за исключением операции на сердце) с ночевкой в ​​медицинском центре королевы Елизаветы II (Галифакс, Канада) с 1 января 2013 г. по 1 декабря 2017 г. Примерно 35 000 пациентов имеют право на участие. Исследователи будут использовать машинное обучение для моделирования данных и проверки того, насколько хорошо наша модель объясняет результаты после операции.

Значимость: использование машинного обучения в большом массиве данных о хирургической популяции может выявить новые взаимосвязи и стратегии, которые могут информировать о текущей практике и генерировать идеи для будущих исследований. Лучшее понимание влияния основных показателей жизнедеятельности во время операций может раскрыть методы улучшения результатов и распределения ресурсов после операции. Результаты могут предложить способы выявления пациентов с высоким риском, за которыми следует более тщательно наблюдать после операции. Если модель работает хорошо, это может побудить других исследователей использовать машинное обучение в исследованиях данных о здоровье.

Подробности смотрите в полном протоколе.

Обновление за май 2020 г. (до агрегирования и анализа наборов данных)

1. Добавлен вторичный результат (дни жизни и выписки из больницы через 30 дней после операции)
2. Улучшенный алгоритм обработки гемодинамических переменных артефактов
3. Добавлено дополнительное исследование: машинное обучение для алгоритма удаления инвазивных артефактов артериального давления.